Ландшафтная валидация модели конкурирующего риска на основе R
Summary
В настоящем протоколе описываются коды в R для оценки различающих и калибровочных способностей конкурирующей модели риска, а также коды для ее внутренней и внешней проверки.
Abstract
Модель пропорционального риска Кокса широко применяется для анализа выживаемости в клинических условиях, но она не способна справиться с множественными исходами выживаемости. В отличие от традиционной модели пропорциональной опасности Кокса, конкурирующие модели риска учитывают наличие конкурирующих событий и их комбинацию с номограммой, графическим вычислительным устройством, которое является полезным инструментом для клиницистов для проведения точного прогностического прогнозирования. В этом исследовании мы сообщаем о методе установления номограммы конкурирующего риска, то есть оценки его способности к дискриминации (т. е. индексу соответствия и площади под кривой) и калибровочной (т. е. калибровочные кривые), а также чистой выгоды (т. е. анализ кривой принятия решений). Кроме того, была выполнена внутренняя валидация с использованием начальной выборки исходного набора данных и внешняя валидация с использованием внешнего набора данных установленной номограммы конкурирующего риска, чтобы продемонстрировать его экстраполяционную способность. Номограмма конкурирующего риска должна служить полезным инструментом для клиницистов для прогнозирования прогноза с учетом конкурирующих рисков.
Introduction
В последние годы с развитием прецизионной медицины были выявлены новые прогностические факторы, и прогностические модели, сочетающие молекулярные и клинико-патологические факторы, привлекают все большее внимание в клинических условиях. Однако неграфические модели, такие как модель пропорциональной опасности Кокса, с результатами значений коэффициентов, трудно понятьклиницистам 1. Для сравнения, номограмма — это инструмент визуализации регрессионных моделей (включая регрессионную модель Кокса, конкурирующую модель риска и т. д.), двумерную диаграмму, предназначенную для приближенного графического вычисления математической функции2. Это позволяет оценивать различные уровни переменных в клинической модели и рассчитывать оценки риска (RS) для прогнозирования прогноза.
Оценка модели имеет важное значение при построении модели, и для оценки обычно принимаются две характеристики: дискриминация и калибровка. В клинических моделях дискриминация относится к способности модели отделять людей, у которых развиваются события, от тех, у кого их нет, таких как пациенты, которые умирают, и те, кто остается в живых, и индекс соответствия (C-индекс) или площадь под кривой рабочих характеристик приемника (AUC) обычно используются для его характеристики 3,4. Калибровка — это процесс сравнения предсказанных вероятностей модели с фактическими вероятностями, и для его представления широко используются калибровочные кривые. Кроме того, валидация модели (внутренняя и внешняя валидация) является важным этапом в построении модели, и только проверенные модели могут быть дополнительно экстраполированы5.
Модель пропорциональной опасности Кокса — это регрессионная модель, используемая в медицинских исследованиях для изучения связей между прогностическими факторами и статусом выживаемости. Однако модель пропорционального риска Кокса учитывает только два статуса исхода [Y (0, 1)], в то время как испытуемые часто сталкиваются с более чем двумя статусами, и возникают конкурирующие риски [Y (0, 1, 2)]1. Общая выживаемость (ОВ), которая определяется как время от даты происхождения (например, лечения) до даты смерти по любой причине, является наиболее важной конечной точкой в анализе выживаемости. Тем не менее, ОВ не может дифференцировать смерть, специфичную для рака, от смерти, не связанной с раком (например, сердечно-сосудистые события и другие несвязанные причины), тем самым игнорируя конкурирующие риски6. В этих ситуациях модель конкурирующего риска является предпочтительной для прогнозирования состояния выживания с учетом конкурирующих рисков7. Методология построения и проверки моделей пропорциональной опасности Кокса хорошо зарекомендовала себя, в то время как было мало сообщений о проверке конкурирующих моделей риска.
В нашем предыдущем исследовании была установлена специфическая номограмма конкурирующего риска, комбинация номограммы и модели конкурирующего риска, а также оценка оценки риска на основе модели конкурирующего риска8. Это исследование направлено на то, чтобы представить различные методы оценки и валидации установленной номограммы конкурирующего риска, которые должны служить полезным инструментом для клиницистов для прогнозирования прогноза с учетом конкурирующих рисков.
Protocol
Representative Results
Discussion
В этом исследовании сравнивали конкурирующие номограммы риска, установленные двумя различными методами, и проводили оценку и валидацию установленных номограмм. В частности, это исследование предоставило пошаговое руководство по установлению номограммы на основе прямого метода, а та…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Исследование было поддержано грантами Проекта плана медицинской науки и технологий провинции Чжэцзян (номера грантов 2013KYA212), общей программы Фонда естественных наук провинции Чжэцзян (грант No Y19H160126) и ключевой программы Муниципального научно-технического бюро Цзиньхуа (номера грантов 2016-3-005, 2018-3-001d и 2019-3-013).
Materials
| R software | None | Not Applicable | Version 3.6.2 or higher |
| Computer system | Microsoft | Windows 10 | Windows 10 or higher |
Riferimenti
- Andersen, P. K., Gill, R. D. Cox’s regression model for counting processes: A large sample study. The Annals of Statistics. 10 (4), 1100-1120 (1982).
- Lubsen, J., Pool, J., vander Does, E. A practical device for the application of a diagnostic or prognostic function. Methods of Information in Medicine. 17 (2), 127-129 (1978).
- Harrell, F. E., Lee, K. L., Mark, D. B. Multivariable prognostic models: Issues in developing models, evaluating assumptions and adequacy, and measuring and reducing errors. Statistics In Medicine. 15 (4), 361-387 (1996).
- Hung, H., Chiang, C. -. T. Estimation methods for time-dependent AUC models with survival data. The Canadian Journal of Statistics / La Revue Canadienne de Statistique. 38 (1), 8-26 (2010).
- Moons, K. G. M., et al. Risk prediction models: I. Development, internal validation, and assessing the incremental value of a new (bio)marker. Heart. 98 (9), 683-690 (2012).
- Fu, J., et al. Real-world impact of non-breast cancer-specific death on overall survival in resectable breast cancer. Cancer. 123 (13), 2432-2443 (2017).
- Fine, J. P., Gray, R. J. A proportional hazards model for the subdistribution of a competing risk. Journal of the American Statistical Association. 94 (446), 496-509 (1999).
- Wu, L., et al. Establishing a competing risk regression nomogram model for survival data. Journal of Visualized Experiments. (164), e60684 (2020).
- Zhang, Z., Geskus, R. B., Kattan, M. W., Zhang, H., Liu, T. Nomogram for survival analysis in the presence of competing risks. Annals of Translational Medicine. 5 (20), 403 (2017).
- Zhang, Z. H., et al. Overview of model validation for survival regression model with competing risks using melanoma study data. Annals Of Translational Medicine. 6 (16), 325 (2018).
- Newson, R. Confidence intervals for rank statistics: Somers’ D and extensions. Stata Journal. 6 (3), 309-334 (2006).
- Davison, A. C., Hinkley, D. V., Schechtman, E. Efficient bootstrap simulation. Biometrika. 73 (3), 555-566 (1986).
- Roecker, E. B. Prediction error and its estimation for subset-selected models. Technometrics. 33 (4), 459-468 (1991).
- Steyerberg, E. W., Harrell, F. E. Prediction models need appropriate internal, internal-external, and external validation. Journal of Clinical Epidemiology. 69, 245-247 (2016).
- Zhang, Z., Chen, L., Xu, P., Hong, Y. Predictive analytics with ensemble modeling in laparoscopic surgery: A technical note. Laparoscopic, Endoscopic and Robotic Surgery. 5 (1), 25-34 (2022).
